基于決策樹算法的海州灣地區(qū)海霧預(yù)測(cè)

史達(dá)偉 張靜 曹慶 李超 朱云鳳

(1 連云港市氣象局，江蘇 連云港 222006；2 江蘇省氣象臺(tái)，南京210008；3 上海海洋中心氣象臺(tái)，上海 200030)

引 言

海霧是一種海面邊界層大氣水汽凝結(jié)或者凝華致使大氣能見度不足1 km的災(zāi)害性天氣現(xiàn)象[1]。我國(guó)的海霧主要發(fā)生在黃海和東海北部[2]。海州灣是位于我國(guó)黃海西部，江蘇省最北端重要的海港漁港，氣候上屬于南北氣候的過(guò)渡帶，既具南北方氣候特點(diǎn)，同時(shí)兼具陸地和海洋雙重影響[3-5]。海州灣的海霧是造成當(dāng)?shù)匮睾５湍芤姸仁录l(fā)生的主要誘因，對(duì)沿海地區(qū)的人民的日常生活、生產(chǎn)運(yùn)輸、海上作業(yè)等帶來(lái)不便，持續(xù)時(shí)間較長(zhǎng)、能見度極低的海霧常常引發(fā)嚴(yán)重海上交通事故，不僅如此，海霧會(huì)阻隔太陽(yáng)輻射，使海水水質(zhì)變壞，導(dǎo)致海水養(yǎng)殖的蝦貝等大量死亡[6-10]?？傊?，海霧使沿海地區(qū)的海上航行、農(nóng)漁生產(chǎn)、國(guó)民經(jīng)濟(jì)和社會(huì)生活受到重大影響。

海霧的生消往往與湍流輸送、輻射降溫、霧滴沉降、風(fēng)切變、霧頂夾卷等復(fù)雜物理過(guò)程有關(guān)[11]。中尺度數(shù)值模式對(duì)海霧中復(fù)雜的邊界層過(guò)程還難以準(zhǔn)確反饋，海霧的數(shù)值預(yù)報(bào)還存在許多困難[12-14]。海霧預(yù)報(bào)目前最有效的方法仍以基于歷史海洋氣象資料的傳統(tǒng)統(tǒng)計(jì)方法為主[15-17]。大多數(shù)統(tǒng)計(jì)預(yù)報(bào)采用逐步回歸等統(tǒng)計(jì)分析方法，一些學(xué)者建立青島地區(qū)海霧預(yù)報(bào)方法以及黃海和東海海霧短期客觀預(yù)報(bào)方法等[17-18]。海霧的生成發(fā)展和消散往往具有顯著的地域特點(diǎn)，我國(guó)海霧的發(fā)生頻率隨緯度升高而提高，即北方比南方更易發(fā)生海霧。海州灣處于海霧多發(fā)區(qū)域。海州灣海霧是否發(fā)生的準(zhǔn)確預(yù)測(cè)將對(duì)海州灣乃至江蘇省沿海的社會(huì)安全、經(jīng)濟(jì)發(fā)展產(chǎn)生重要的現(xiàn)實(shí)意義。

隨著大數(shù)據(jù)、云計(jì)算和人工智能技術(shù)的不斷推進(jìn)，機(jī)器學(xué)習(xí)技術(shù)在諸多領(lǐng)域?qū)崿F(xiàn)了廣泛的應(yīng)用。同樣，也有越來(lái)越多的學(xué)者將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于氣象科研業(yè)務(wù)領(lǐng)域。史達(dá)偉等[19-20]利用決策樹算法對(duì)道路結(jié)冰及特強(qiáng)濃霧災(zāi)害建立了較為準(zhǔn)確的診斷或預(yù)測(cè)模型；ZHANG， et al[21-22]利用機(jī)器學(xué)習(xí)對(duì)臺(tái)風(fēng)路徑是否轉(zhuǎn)向與臺(tái)風(fēng)是否登陸建立了較為準(zhǔn)確的分類預(yù)測(cè)模型。然而，機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于區(qū)域性海霧研究的成果還不豐富。本文將對(duì)海州灣海霧的統(tǒng)計(jì)特征進(jìn)行分析，并利用決策樹算法對(duì)海州灣海霧建立預(yù)測(cè)模型。

1 資料與方法

1.1 資料來(lái)源

利用江蘇省氣象局提供的2014—2018年西連島(站點(diǎn)號(hào)：58041)氣象站點(diǎn)的逐小時(shí)地面氣象觀測(cè)要素(2 m氣溫、海平面氣壓、相對(duì)濕度、10 min平均風(fēng)向、10 min平均風(fēng)速、降水量、相對(duì)濕度、能見度)。該套數(shù)據(jù)較以往人工觀測(cè)數(shù)據(jù)具有觀測(cè)頻次高、無(wú)主觀觀測(cè)誤差等優(yōu)點(diǎn)。將數(shù)據(jù)集中的缺測(cè)數(shù)據(jù)剔除，另外降水時(shí)段亦可發(fā)生低能見度，但非海霧的情況，故將有降水時(shí)段的數(shù)據(jù)進(jìn)行剔除。整套數(shù)據(jù)共計(jì)42 770個(gè)有效數(shù)據(jù)樣本，其中發(fā)生海霧的樣本數(shù)為1 139個(gè)(占比2.66%)，未發(fā)生海霧的樣本數(shù)為41 631個(gè)(占比97.34%)。西連島站是國(guó)家一般觀測(cè)站，是海州灣區(qū)域離港較近、觀測(cè)數(shù)據(jù)時(shí)間序列最長(zhǎng)、數(shù)據(jù)質(zhì)量最好的海島站，對(duì)海州灣海霧的監(jiān)測(cè)具有重要的指示作用和實(shí)際意義。

1.2 C4.5決策樹算法

C4.5決策樹算法是一種分類與預(yù)測(cè)算法，1979年由J R Quinlan發(fā)明，后提出ID3算法，主要針對(duì)離散型屬性數(shù)據(jù)，經(jīng)過(guò)不斷改進(jìn)，最終形成C4.5算法。

這種算法通過(guò)屬性信息增益的大小選擇每個(gè)節(jié)點(diǎn)上的分類屬性，根據(jù)能夠帶來(lái)最大信息增益的屬性拆分樣本，遞歸拆分直到達(dá)到停止條件。最后對(duì)結(jié)論進(jìn)行檢驗(yàn)，將那些對(duì)模型沒(méi)有顯著貢獻(xiàn)的樣本子集進(jìn)行修剪和剔除。

令S為包括s個(gè)數(shù)據(jù)樣本的訓(xùn)練集，S(Ci)為S中屬于Ci類的樣本個(gè)數(shù)(i=1,2,...,m)，那么訓(xùn)練集中樣本屬于第i類的概率為：

(1)

此時(shí)訓(xùn)練集S的信息(熵)定義為：

，

(2)

而后需通過(guò)屬性A將信息S分為{S1,S2,…Sv}，那么葉節(jié)點(diǎn)對(duì)于分類信息的信息熵為：

(3)

則信息增益計(jì)算如下：

gain(A|S)=info(S)-infl(A|S),

(4)

增益率為：

(5)

C4.5算法是基于ID3算法發(fā)展起來(lái)的，其中一大改進(jìn)就是可以處理連續(xù)數(shù)據(jù)，C4.5算法對(duì)于連續(xù)屬性數(shù)據(jù)的一般的處理過(guò)程如下：(1)對(duì)結(jié)點(diǎn)中的屬性數(shù)據(jù)進(jìn)行排序；(2)用不同的閾值將訓(xùn)練集數(shù)據(jù)進(jìn)行動(dòng)態(tài)劃分；(3)將輸入數(shù)據(jù)的兩端的兩個(gè)值的中點(diǎn)作為閾值，輸入改變時(shí)便確定新的閾值；(4)根據(jù)閾值確定兩個(gè)劃分，將所有數(shù)據(jù)樣本劃分到這兩類中；(5)得到所有可能的閾值，并計(jì)算所有的劃分情況下的信息增益和增益率。(6)最后每個(gè)連續(xù)屬性都會(huì)被閾值劃分為兩類(大于等于閾值和小于閾值)。

算法模型效果檢驗(yàn)采取交叉驗(yàn)證的方式，即用一部分?jǐn)?shù)據(jù)進(jìn)行模型的訓(xùn)練，即訓(xùn)練集。另一部分獨(dú)立的數(shù)據(jù)進(jìn)行模型的檢驗(yàn)，即測(cè)試集。通常訓(xùn)練集樣本總量為測(cè)試集樣本的4倍左右。訓(xùn)練正確的樣本數(shù)比訓(xùn)練總樣本數(shù)為學(xué)習(xí)準(zhǔn)確率，測(cè)試正確樣本數(shù)比測(cè)試總樣本數(shù)為測(cè)試準(zhǔn)確率。

2 海州灣海霧的統(tǒng)計(jì)特征分析

海州灣屬于溫帶季風(fēng)區(qū)，是江蘇省海霧最多發(fā)的區(qū)域。本文以海州灣海霧為目標(biāo)展開研究，本節(jié)通過(guò)統(tǒng)計(jì)海州灣海霧發(fā)生的時(shí)間分布特征及主要的氣象要素特征總結(jié)規(guī)律，亦可與后文的決策樹模型互為映證。本文將以在海州灣海區(qū)內(nèi)的西連島氣象站作為海州灣的代表站進(jìn)行下一步研究。

圖1 2014—2018年海州灣海霧的年分布(a，虛線為線性趨勢(shì)線)及月分布(b)Fig.1 Annual distribution (a， dotted line is linear trend line) and (b) monthly distribution of sea fog in Haizhou Bay from 2014 to 2018

2.1 海州灣海霧的時(shí)間分布特征

由2014—2018年海州灣海霧的年分布(圖1a)可知，海霧在各年份均有發(fā)生，其中2014年發(fā)生頻次最高，有310個(gè)時(shí)次觀測(cè)到海霧(占總樣本27.2%)。2017年發(fā)生頻次最少，僅有152個(gè)時(shí)次發(fā)生海霧(占總樣本13.3%)。整體上看，海霧的發(fā)生頻次呈一定下降趨勢(shì)。由2014—2018年海州灣海霧的月分布(圖1b)可知，從季節(jié)上，海州灣海霧在冬春季最易發(fā)生，夏秋季發(fā)生較少。從各月看，2月是海州灣發(fā)生海霧最多的月份，共觀測(cè)到219個(gè)時(shí)次發(fā)生海霧(占總樣本19.2%)，9月最少，在數(shù)據(jù)樣本中未出現(xiàn)海霧。

圖2為2014—2018年海州灣海霧的時(shí)次分布?？梢钥闯?，1 d中凌晨至上午最易發(fā)生海霧，午后海霧發(fā)生頻次明顯較少。海霧發(fā)生的峰值時(shí)段為04—08時(shí)(北京時(shí),下同)，其中05時(shí)觀測(cè)到的海霧頻次最多，達(dá)到78個(gè)時(shí)次，占總樣本6.8%。海霧發(fā)生的低谷時(shí)段為14—20時(shí)，其中14時(shí)觀測(cè)到的海霧頻次最少，僅有27個(gè)時(shí)次，占總樣本2.4%。

通過(guò)對(duì)海州灣海霧時(shí)間分布統(tǒng)計(jì)分析，發(fā)現(xiàn)海州灣海霧在年際分布上呈下降趨勢(shì)；海州灣海霧往往多發(fā)于冬春季節(jié)，夏秋季節(jié)較為少見；海州灣海霧在1 d中多見于凌晨至上午，午后少有出現(xiàn)。

2.2 海州灣海霧的氣象要素統(tǒng)計(jì)分析

對(duì)海州灣海霧的氣象要素特征進(jìn)行分析，主要從相對(duì)濕度、風(fēng)向、風(fēng)速等角度對(duì)海州灣海霧發(fā)生規(guī)律進(jìn)行統(tǒng)計(jì)，用以描述海州灣海霧發(fā)生時(shí)氣象要素分布。

圖3為海州灣海霧發(fā)生時(shí)相對(duì)濕度的分布，可見，當(dāng)相對(duì)濕度不足80%時(shí)，海霧鮮有發(fā)生，僅有6個(gè)時(shí)次觀測(cè)到海霧，占總樣本的0.5%；當(dāng)相對(duì)濕度≥96%時(shí)，觀測(cè)到海州灣海霧發(fā)生的頻次最多，有792個(gè)時(shí)次觀測(cè)到海霧，占總樣本的69.5%。海州灣海霧的發(fā)生頻次隨著相對(duì)濕度的增加呈指數(shù)型增長(zhǎng)趨勢(shì)。

圖2 2014—2018年海州灣海霧的時(shí)次分布Fig.2 Time distribution of sea fog in Haizhou Bay from 2014 to 2018

圖3 2014—2018年海州灣海霧發(fā)生頻次在不同相對(duì)濕度情況下的分布(虛線為指數(shù)趨勢(shì)線)Fig.3 Distribution of frequency of sea fog in Haizhou Bay underdifferent relative humidity conditions(Dotted line is exponential growth line)

根據(jù)海霧能見度的不同區(qū)間，對(duì)相對(duì)濕度的均值進(jìn)行統(tǒng)計(jì)(圖4)，發(fā)現(xiàn)海霧的發(fā)生往往伴隨著空氣相對(duì)濕度的顯著提高，往往相對(duì)濕度在90%以上更加有利。當(dāng)能見度介于0.5～1 km之間時(shí)，相對(duì)濕度均值在94%附近，當(dāng)能見度下降到0.5 km以下時(shí)，相對(duì)濕度均值升高至98%附近。

圖4 2014—2018年海州灣海霧不同能見度下相對(duì)濕度均值分布Fig.4 Mean distribution of relative humidity under differentvisibility in Haizhou Bay in 2014-2018

圖5 2014—2018年不同風(fēng)力情況下海州灣海霧分布Fig.5 Sea fog distribution in Haizhou Bay under differentwind conditions from 2014 to 2018

通過(guò)上述統(tǒng)計(jì)發(fā)現(xiàn)，發(fā)生海霧時(shí)對(duì)相對(duì)濕度的要求較高，較高的相對(duì)濕度(98%以上)更有利于海上濃霧的發(fā)生。

海州灣海霧發(fā)生時(shí)往往伴隨著不同的天氣形勢(shì)，近地面表現(xiàn)為風(fēng)場(chǎng)上的差異。通過(guò)對(duì)海州灣海霧發(fā)生時(shí)不通過(guò)風(fēng)力等級(jí)情況下海霧分布的統(tǒng)計(jì)(圖5)，可以看出海州灣海霧在0～6級(jí)及以上風(fēng)力背景下均有發(fā)生，當(dāng)風(fēng)力達(dá)2～3級(jí)時(shí)發(fā)生海霧的頻次最多，其中當(dāng)風(fēng)力大小為2級(jí)時(shí)有419個(gè)時(shí)次發(fā)生了海霧，占比36.8%。在靜風(fēng)和6級(jí)以上風(fēng)力的背景下發(fā)生海霧的頻次最少，分別為16個(gè)時(shí)次和9個(gè)時(shí)次，占比1.4%和0.79%?？梢园l(fā)現(xiàn)，在合適的風(fēng)力條件下，海州灣海霧更易發(fā)生，風(fēng)力過(guò)大或過(guò)小均不利于海霧的發(fā)生發(fā)展。

通過(guò)對(duì)氣象要素的統(tǒng)計(jì)分析可以發(fā)現(xiàn)，海州灣海霧的發(fā)生發(fā)展和氣象要素的變化密切相關(guān)，當(dāng)相對(duì)濕度、風(fēng)力等氣象要素在合適的條件下就可以促使海州灣海霧的發(fā)生。綜上，文章對(duì)海州灣海霧發(fā)生的時(shí)間分布規(guī)律及氣象要素特征進(jìn)行了統(tǒng)計(jì)分析，結(jié)論如下：(1)季節(jié)上看，海州灣海霧多發(fā)生于冬春季節(jié)，少見于夏秋季節(jié)；(2)從日變化看，海州灣海霧多發(fā)生于凌晨至上午，少見于午后時(shí)段；(3)當(dāng)相對(duì)濕度高于90%，風(fēng)力2～3級(jí)時(shí)有利于海州灣海霧的發(fā)生和發(fā)展。

3 基于C4.5算法的海州灣沿海海霧的分類預(yù)測(cè)模型構(gòu)建

上文的統(tǒng)計(jì)分析顯示出海霧發(fā)生的基本特征和規(guī)律以及有利的氣象條件。但海霧天氣的發(fā)生發(fā)展是非常復(fù)雜且非線性的天氣過(guò)程。為了更加準(zhǔn)確的把握海州灣海霧發(fā)生發(fā)展的規(guī)律，本文將利用2014—2018年西連島站氣象觀測(cè)數(shù)據(jù)基于機(jī)器學(xué)習(xí)中經(jīng)典的C4.5算法對(duì)海州灣是否發(fā)生海霧建立決策樹模型。

圖6 基于C4.5算法的海州灣是否發(fā)生海霧預(yù)測(cè)決策樹Fig.6 Decision tree based on C4.5 algorithm for sea fog diagnosis in Haizhou Bay

3.1 實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理

本文使用的C4.5算法是一種經(jīng)典的帶標(biāo)簽的有監(jiān)督機(jī)器學(xué)習(xí)算法，這一類算法最長(zhǎng)使用的建模策略為留出法，即將總數(shù)據(jù)樣本分為訓(xùn)練樣本集與測(cè)試樣本集兩部分，且訓(xùn)練集和測(cè)試集之間為互斥關(guān)系，利用訓(xùn)練集數(shù)據(jù)建立決策樹模型，將測(cè)試集數(shù)據(jù)用于檢驗(yàn)?zāi)Ｐ偷囊话阈院汪敯粜浴Ｒ话愕?，?xùn)練集占總樣本的80%左右，測(cè)試集數(shù)據(jù)占總樣本的20%左右。首先，將2014—2017年數(shù)據(jù)作為模型的訓(xùn)練集(約占80%)，將2018年數(shù)據(jù)作為測(cè)試集(約占20%)，把海州灣“能見度是否低于1 km”抽象成為一個(gè)是與否的二元分類的問(wèn)題。分別對(duì)訓(xùn)練集數(shù)據(jù)樣本和測(cè)試集數(shù)據(jù)樣本進(jìn)行統(tǒng)計(jì)，訓(xùn)練集中共有34 168個(gè)數(shù)據(jù)樣本，其中能見度低于1 km的海霧樣本為959個(gè)，對(duì)測(cè)試集而言，共有8 622個(gè)數(shù)據(jù)樣本，其中能見度低于1 km的海霧樣本為180個(gè)。為了維持目標(biāo)變量“是否為海霧”中“是”與“否”的樣本數(shù)量平衡關(guān)系，也為模型最后效果更加客觀真實(shí)，文章分別對(duì)訓(xùn)練集和測(cè)試集中“是”海霧的數(shù)據(jù)樣本采取有放回采樣的策略，將海霧數(shù)據(jù)樣本量擴(kuò)大至與非海霧數(shù)據(jù)樣本量相當(dāng)，既在擴(kuò)大海霧數(shù)據(jù)樣本規(guī)模的同時(shí)，也保留原始數(shù)據(jù)的數(shù)據(jù)特征。如表1所示。這樣就完成C4.5決策樹算法所需訓(xùn)練集與測(cè)試集的選取與處理。

表1 通過(guò)有放回采樣方式平衡訓(xùn)練集與測(cè)試集“是否發(fā)生海霧”二元目標(biāo)變量樣本Table 1 Balance the binary target variable samples of “whether sea fog occurs” between training set and test setby means of sampling with playback

3.2 基于C4.5決策樹算法的海州灣海霧分類預(yù)測(cè)模型

以是否為海霧為模型的目標(biāo)變量，模型的輸入變量為氣溫、氣壓、相對(duì)濕度、10 min平均風(fēng)速、10 min平均風(fēng)向等觀測(cè)要素。將預(yù)處理好的訓(xùn)練集輸入C4.5算法，文章選取預(yù)剪枝策略以防止模型的過(guò)擬合，增強(qiáng)決策樹模型的魯棒性。具體做法是控制決策樹模型的深度，通過(guò)比對(duì)發(fā)現(xiàn)當(dāng)決策樹深度為5時(shí)模型效果最優(yōu)，通過(guò)計(jì)算得到具體決策樹(圖6)。

表2 C4.5算法發(fā)現(xiàn)的海州灣海霧氣象觀測(cè)要素特征預(yù)測(cè)規(guī)則集Table 2 Feature diagnosis rule set of meteorological observation elements of Haizhou Bay sea fog discovered by C4.5 algorithm

決策樹具有形式直觀，符合人類邏輯判斷思維方式的特點(diǎn)，觀察決策樹可以發(fā)現(xiàn)，根節(jié)點(diǎn)為相對(duì)濕度，也就是說(shuō)對(duì)于海州灣海霧是否發(fā)生最重要的因子就是相對(duì)濕度的大小。在決策樹模型中，每從根節(jié)點(diǎn)(相對(duì)濕度)到一個(gè)葉節(jié)點(diǎn)(T/F)均可抽象為一條If…then形式的決策規(guī)則，將決策樹中的每條規(guī)則歸納可形成方便人們學(xué)習(xí)使用的決策規(guī)則集(表2)。

通過(guò)決策樹抽象出判斷海州灣是否發(fā)生海霧的規(guī)則集，根據(jù)訓(xùn)練集數(shù)據(jù)建立決策樹模型，該決策樹模型學(xué)習(xí)準(zhǔn)確率為92.85%。接著，將根節(jié)點(diǎn)至葉節(jié)點(diǎn)抽象出決策規(guī)則，每條規(guī)則都可得到學(xué)習(xí)準(zhǔn)確率，方便與實(shí)際情況對(duì)照參考。最后，將預(yù)處理好的測(cè)試集數(shù)據(jù)對(duì)該決策樹模型的泛化能力進(jìn)行測(cè)試，測(cè)試準(zhǔn)確率為93.51%。綜上，該決策樹模型的分類效果好，泛化能力強(qiáng)。對(duì)于海州灣海霧的發(fā)生提供了簡(jiǎn)潔、可理解、有價(jià)值的參考。

4 結(jié)論

本文針對(duì)海州灣海霧天氣進(jìn)行了時(shí)間分布特征和氣象要素統(tǒng)計(jì)特征的分析，并利用機(jī)器學(xué)習(xí)相關(guān)算法與海洋氣象科研業(yè)務(wù)問(wèn)題相結(jié)合得到了較為實(shí)用有效的結(jié)論。利用機(jī)器學(xué)習(xí)技術(shù)中經(jīng)典的C4.5決策樹算法針對(duì)連云港西連島(58041)站點(diǎn)的海霧天氣建立了預(yù)測(cè)模型。主要結(jié)論如下：

(1)通過(guò)對(duì)海州灣海霧天氣特征的統(tǒng)計(jì)分析，發(fā)現(xiàn)海州灣海霧的發(fā)生具有年際的下降趨勢(shì)；季節(jié)上看，主要發(fā)生在冬春季，少發(fā)于夏秋季；日變化上看，多發(fā)生于凌晨到上午，少見于午后等時(shí)間分布特征。

(2)通過(guò)對(duì)海州灣海霧氣象要素特征的統(tǒng)計(jì)發(fā)現(xiàn)，當(dāng)相對(duì)濕度高于90%，風(fēng)力2～3級(jí)，風(fēng)向有偏東風(fēng)分量時(shí)有利于海州灣海霧的發(fā)生和發(fā)展；當(dāng)相對(duì)濕度較低，靜風(fēng)或風(fēng)力過(guò)大，風(fēng)向有偏西偏南的分量時(shí)不利于海州灣海霧的發(fā)生和發(fā)展。

(3)經(jīng)過(guò)數(shù)據(jù)預(yù)處理，基于機(jī)器學(xué)習(xí)中經(jīng)典的C4.5決策樹算法對(duì)海州灣海霧是否發(fā)生建立預(yù)測(cè)模型，并得到方便使用的海州灣海霧預(yù)測(cè)規(guī)則集；決策樹模型的自學(xué)習(xí)準(zhǔn)確率為92.85%，測(cè)試準(zhǔn)確率為93.51%，模型性能較好，具備較強(qiáng)的泛化能力和應(yīng)用價(jià)值。

海霧是一種邊界層內(nèi)復(fù)雜的海洋天氣現(xiàn)象，決策樹算法盡管能夠很好地探尋海霧發(fā)生發(fā)展的統(tǒng)計(jì)規(guī)律，但對(duì)其復(fù)雜的物理機(jī)制缺乏解釋能力。物理機(jī)制的深入研究是統(tǒng)計(jì)分析的重要基礎(chǔ)。相信隨著海霧基礎(chǔ)理論的不斷深入研究以及機(jī)器學(xué)習(xí)算法的不斷迭代升級(jí)，利用機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)海霧會(huì)取得更加有意義的成果。